2024 年大家做 Agent，心态是”模型够强就行”。找一个 GPT-4o 或者 Claude 3.5，接几个 API，agent 能跑起来了——成了。到了 2026 年，这套逻辑被 OSWorld 的数据狠狠打脸：最高的纯模型方案成功率徘徊在 60% 左右，而加了 Harness 层的框架方案冲到 90%。差距不是 10%，是 30 个百分点，是”勉强能跑”和”靠谱能用”之间的距离。
Agent = Model + Harness 这个公式，正在成为 AI Agent 工程化的核心共识。它和站内之前讨论的 质量门禁、变更后验证清单 和 证据包 是同一套治理框架里不同层级的话题。
从 OSWorld 榜单看懂 Harness 的价值
OSWorld 分设三条赛道：专用模型、通用模型、智能体框架。TOP10 中有 6 个选择了框架路线，且整体成绩普遍高于纯通用模型方案。实在Agent 以 90.2% 登顶，走的也是”通用模型 + 工程架构”的框架路线。
模型是可插拔的推理引擎——你今天用 GPT-5.6，明天可以换成 DeepSeek-V4，后天换 Qwen3.8。但 Harness 不是可插拔的，它是决定 Agent 能不能在各种软件环境里持续可靠工作的那层。OSWorld 的 361 个任务覆盖了网页、桌面、操作系统和跨应用工作流，纯模型方案处理不了的正是这些环境交互、工具调度和异常恢复——而这些恰好是 Harness 的活。
这和 客户可见动作确认 的场景高度相关：Agent 在操作真实业务系统时，不是推理出一个答案就行，而是要按照顺序调用多个系统、处理可能的中断和错误、在失败时有预案。纯靠模型推理撑不起这种可靠性。
Harness 到底包含什么
把 Harness 拆开看，它至少包含这几层能力：
第一层：任务拆解与调度。把”帮我把上个月销售数据整理成报表”这种模糊指令，拆成”打开 Excel → 加载数据源 → 计算汇总 → 生成图表 → 导出 PDF → 邮件发送”的步骤链，并在每步确认上一步的结果。这和 回放对照 里的执行轨迹拆解思路一致。
第二层：工具调用与降级。首选 API 调用（高效、稳定），API 不可用时降为 GUI 操作（兼容所有系统），GUI 也失败时有明确的异常处理路径。实在Agent 的”API 优先 + GUI 兜底”就是这个思路的成熟实现。
第三层：自我纠错与恢复。执行过程中发现异常——文件格式不对、页面加载超时、API 返回空数据——不是直接报告失败，而是尝试换个方式再执行一遍。这是 Harness 和纯模型方案最核心的差异之一。模型选错了工具或者理解错了界面，Harness 可以给出第二次机会，而且这次会带着前一次的错误上下文。这和 失败升级规则 里讨论的分层处理逻辑完全吻合。
第四层：状态管理与审计。每一步操作的结果、选择的理由、异常的处理方式，全部记录下来。这不是事后追查用的，而是运行时用来做决策的依据。这和 审计查询字段、证据包 的设计目标一致。
第五层：自进化闭环。Harness 最前沿的能力是让 Agent 在使用中持续改进。PenguinHarness 的核心思路就是：Agent 构建出来以后，不是”封版”不动，而是在实际运行中根据反馈自动优化。一次手写调优只能得到 50% 准确率，经过反馈循环可以拉高到 90%。这和 知识库陈旧内容巡检 的持续优化理念一样——好的 Agent 不是一次写好的，是持续跑出来的。
团队怎么开始搭建 Harness
对于正在做 Agent 落地的团队，我的建议是按优先级逐层推进：
第一阶段（必做）：把任务拆解和异常处理做好。Agent 不是一锅端地处理请求，而是有步骤、有检查、有回退。每个步骤的结果在进入下一步前确认——这是 Harness 最基本也是最被低估的能力。
第二阶段（高价值）：接入状态管理和审计。每一步操作都留下可查询的记录。不是为了合规才做，是因为有了这些记录，你的 Agent 才能知道上一步发生了什么、为什么选这个工具而不是那个。
第三阶段（前沿）：探索自进化闭环。让 Agent 从失败中学习，而不是每次失败都要人工介入调整。PenguinHarness 这类工具正在降低这一层的门槛。
数据层面可以配合 需求变更影响评审——当外部接口、业务规则或模型版本发生变化时，Harness 应该能自动感知并触发重新评估。
总结
Agent = Model + Harness 不是口号，是 OSWorld 数据里有 30 个百分点的差距在支撑的工程结论。模型是大脑，Harness 是手、眼和经验的积累。你换一个更强的模型只需要改一行配置，但让你的 Agent 在真实业务里不掉链子，靠的是 Harness 层一步一步的工程积累。
